Hoe u de gegevens voorbereidt in R-regressie voor voorspellende analyses - dummies

Je moet de gegevens in een vorm krijgen die het algoritme kan gebruiken om een ​​voorspellend analytisch model te bouwen. Om dit te doen, moet u enige tijd nemen om de gegevens te begrijpen en de structuur van de gegevens te kennen. Typ de functie in om de structuur van de gegevens te achterhalen. Het commando en de uitvoer zien er zo uit: >> str (autos) 'data. frame ': 398 obs. van 9 variabelen: $ V1: num 18 15 18 16 17 15 14 14 14 15 … $ V2: int 8 8 8 8 8 8 8 8 8 8 … $ V3: num 307 350 318 304 302 429 454 440 455 390 … $ V4: chr "130. 0" "165. 0" "150. 0" "150. 0" … $ V5: num 3504 3693 3436 3433 3449 … $ V6: num 12 11. 5 11 12 10. 5 10 9 8 5 10 8. 5 … $ V7: int 70 70 70 70 70 70 70 70 70 70 … $ V8: int 1 1 1 1 1 1 1 1 1 1 … $ V9: Factor met 305 niveaus "amc ambassador brougham", …:

50 37 232 15 162 142 55 224 242 2 … Als u naar de structuur kijkt, kunt u zien dat er wat gegevensvoorbereiding en opschoning moet plaatsvinden. Hier is een lijst met de benodigde taken: 

Hernoem de kolomnamen.

Dit is niet strikt noodzakelijk, maar voor de toepassing van dit voorbeeld is het beter om kolomnamen te gebruiken die u kunt begrijpen en onthouden.

• Wijzig het gegevenstype van V4 (

  pk

• ) in een gegevenstype numeriek . In dit voorbeeld is paardenkracht een continue numerieke waarde en geen tekengegevenstype. Ontbrekende waarden verwerken.

• Hier heeft pk zes ontbrekende waarden.

  Wijzig de kenmerken met discrete waarden in factoren.

  Hier hebben cilinders, modeljaar en oorsprong discrete waarden.

• Gooi het kenmerk V9 (

  auto naam

• ) weg. Hier voegt de naam van de auto geen waarde toe aan het model dat u aan het maken bent. Als het oorsprongsattribuut niet is opgegeven, zou u de oorsprong kunnen hebben afgeleid van het kenmerk auto-naam.

  Typ de volgende code om de kolommen te hernoemen: >> colnames (autos) <-

  c ("mpg", "cylinders", "displacement", "horsepower", "weight", "acceleration", "modelYear", "origin",

"carName")

Wijzig vervolgens het gegevenstype van pk in numeriek met de volgende code: >> autos $ pk <- als. numeriek (auto's $ pk) 

Het programma zal klagen omdat niet alle waarden in pk stringrepresentaties van getallen zijn. Er waren enkele ontbrekende waarden die werden weergegeven als de "? "Karakter. Dat is prima nu omdat R elke instantie van converteert? in NA. 
Een gebruikelijke manier om de ontbrekende waarden van continue variabelen te verwerken, is elke ontbrekende waarde te vervangen door het gemiddelde van de hele kolom. De volgende regel code doet dat: >> auto's $ pk [is.na (auto's $ pk)] <- mean (auto's $ pk, na. rm = TRUE)

Het is belangrijk om een ​​na te hebben. rm-TRUE in de gemiddelde functie. Het vertelt de functie om geen kolommen met nulwaarden in de berekening te gebruiken. Zonder dit zal de functie terugkeren.

Wijzig vervolgens de kenmerken met discrete waarden in factoren. Drie attributen zijn geïdentificeerd als discreet. De volgende drie coderegels veranderen de kenmerken. >> autos $ origin autos $ modelYear autos $ cylinders <- factor (auto's $ cylinders)

Verwijder ten slotte het attribuut uit het dataframe met deze regel code: >> autos $ carName <- nULL < Op dit punt bent u klaar met het voorbereiden van de gegevens voor het modelleringsproces. Het volgende is een weergave van de structuur na het proces voor gegevensvoorbereiding: >> str (autos) 'gegevens. frame ': 398 obs. van 8 variabelen: $ mpg: aantal 18 15 18 16 17 15 14 14 14 15 … $ cilinders: factor met 5 niveaus "3", "4", "5", "6", …:

5 5 5 5 5 5 5 5 5 5 … $ verplaatsing: num 307 350 318 304 302 429 454 440 455 390 … $ pk: num 130 165 150 150 140 198 220 215 225 190 … $ gewicht: num 3504 3693 3436 3433 3449 … $ versnelling: num 12 11. 5 11 12 10. 5 10 9 8. 5 10 8. 5 … $ modelJaar: Factor met 13 niveaus "70", "71", "72", …:

1 1 1 1 1 1 1 1 1 1 … $ oorsprong: factor met 3 niveaus "1", "2", "3":

1 1 1 1 1 1 1 1 1 1 …